Curso de Python para Trading

Aula 1 • Fundamentos Essenciais da Sintaxe Python

Aborda variáveis, tipos de dados, operadores e controle de fluxo com exemplos temáticos de trading. Fornece a fluência na linguagem necessária para toda a manipulação de dados adiante.

Aula 2 • Configurando o Ambiente de Trading

Instale Python, Jupyter e as principais bibliotecas financeiras em um workspace reproduzível. Estabelece a base técnica da qual todos os capítulos subsequentes dependem.

Aula 3 • Estruturas de Dados para Dados de Mercado

Explore listas, tuplas, dicionários e conjuntos como recipientes para registros de preços e negociações. Correlaciona-se diretamente a como os dados de mercado são armazenados e acessados na prática.

Aula 1 • Pandas Series e DataFrames

Construa e inspecione Series e DataFrames que representam históricos de preços. Estabelece a principal estrutura de dados utilizada ao longo de todo o curso.

Aula 2 • Limpando e Transformando Dados OHLCV

Lide com valores ausentes, duplicatas e incompatibilidades de tipo em feeds de mercado brutos. Dados limpos são um pré-requisito para a geração confiável de sinais em capítulos posteriores.

Aula 3 • Indexação de Séries Temporais com DatetimeIndex

Analise datas, defina DatetimeIndex e reagregue dados entre diferentes frequências. A indexação com ciência do tempo é essencial para todo o trabalho futuro com sinais e backtesting.

Aula 4 • Arrays NumPy e Matemática Vetorizada

Crie e opere com arrays para substituir loops Python lentos em cálculos de preços. Operações vetorizadas são a base de desempenho de todas as análises posteriores.

Aula 1 • Usando Bibliotecas de Dados Financeiros

Obtenha dados históricos OHLCV usando wrappers Python especializados para provedores de dados de mercado. Reduz código repetitivo e acelera a prototipagem de ideias de trading.

Aula 2 • Construindo um Pipeline de Dados Reutilizável

Encapsule as etapas de obtenção, limpeza e armazenamento em uma classe de pipeline modular e executável. Pipelines reutilizáveis são a base da pesquisa reproduzível e do trading ao vivo.

Aula 3 • Acessando Dados por meio de APIs REST

Envie requisições HTTP autenticadas e analise respostas JSON em DataFrames. Estabelece o padrão para toda a ingestão de dados baseada em API no curso.

Aula 1 • Indicadores de Volatilidade e Volume

Calcule Bandas de Bollinger, ATR e indicadores baseados em volume para avaliar as condições de mercado. O contexto de volatilidade e volume melhora a qualidade do sinal e o dimensionamento de posição.

Aula 2 • Usando TA-Lib e pandas-ta

Aproveite bibliotecas de indicadores consolidadas para acelerar o desenvolvimento e validar código personalizado. Indicadores baseados em bibliotecas reduzem erros e permitem a prototipagem rápida de estratégias.

Aula 3 • Indicadores de Seguimento de Tendência

Implemente médias móveis, MACD e ADX para identificar tendências direcionais de preço. Sinais de tendência formam a lógica de entrada mais comum em estratégias sistemáticas.

Aula 4 • Indicadores de Momentum e Osciladores

Construa RSI, Estocástico e Taxa de Variação para medir o momentum do preço. Osciladores complementam os filtros de tendência identificando condições de sobrecompra e sobrevenda.

Aula 1 • Conceitos de Backtesting Orientado a Eventos

Apresente simulação de book de ordens, lógica de execução e modelagem de slippage para resultados realistas. Motores orientados a eventos expõem realidades de execução que testes vetorizados obscurecem.

Aula 2 • Usando Backtrader e Zipline Lite

Execute estratégias por meio de frameworks de backtesting open-source consagrados para análises mais ricas. Frameworks impõem disciplina e fornecem relatórios integrados indisponíveis em motores personalizados.

Aula 3 • Evitando Overfitting e Data Snooping

Aplique validação walk-forward e testes fora da amostra para detectar resultados espúrios. Overfitting é a principal causa de baixo desempenho no trading ao vivo após o backtesting.

Aula 4 • Fundamentos de Backtesting Vetorizado

Traduza sinais de posição em retornos diários usando operações pandas vetorizadas. O backtesting vetorizado é rápido e forma o motor central para toda a avaliação de estratégias.

Aula 1 • Métricas de Risco e Controle de Drawdown

Monitore o Valor em Risco, o Déficit Esperado e o drawdown rolante em tempo real. O monitoramento contínuo de risco previne perdas catastróficas durante regimes adversos de mercado.

Aula 2 • Estimação de Retorno e Covariância

Calcule retornos esperados e matrizes de covariância a partir de dados históricos de preços. Estimativas precisas são os insumos que determinam a qualidade de qualquer resultado de otimização.

Aula 3 • Métodos de Dimensionamento de Posição

Implemente regras de dimensionamento fracionário fixo, Critério de Kelly e escalonado por volatilidade. O dimensionamento adequado determina quanto capital cada sinal controla, afetando diretamente o drawdown.

Aula 4 • Otimização de Carteira Média-Variância

Use scipy e PyPortfolioOpt para resolver a fronteira eficiente e os pesos ótimos. A otimização média-variância traduz estimativas de retorno/risco em alocações acionáveis.

Aula 1 • Algoritmos de Execução (TWAP e VWAP)

Construa algoritmos de fatiamento TWAP e VWAP para reduzir o impacto de mercado em ordens grandes. Algoritmos de execução são essenciais quando o tamanho da ordem é significativo em relação ao volume.

Aula 2 • Integração com API de Corretora

Autentique-se e interaja com a API REST de uma corretora para colocar e gerenciar ordens. A integração com API é a ponte entre sinais testados em backtesting e a execução real no mercado.

Aula 3 • Monitoramento e Alertas de Execução

Registre todos os eventos de ordem e dispare alertas sobre anomalias, como execuções perdidas ou limites violados. Um monitoramento robusto é a rede de segurança operacional para qualquer sistema de trading ao vivo.

Aula 4 • Tipos de Ordem e Lógica de Execução

Implemente ordens a mercado, limitadas, stop e bracket com lógica de execução condicional. Escolher o tipo de ordem correto controla diretamente a qualidade da execução e a exposição ao risco.

Aula 1 • Avaliação de Modelos para Dados Financeiros

Use validação cruzada purgada e métricas financeiras para avaliar a qualidade do modelo sem vazamento de dados. Métricas padrão de ML são insuficientes para dados financeiros com correlação serial.

Aula 2 • Engenharia de Atributos a partir de Dados de Preço

Transforme dados brutos OHLCV em atributos preditivos adequados para modelos de ML. A qualidade dos atributos determina o poder preditivo do modelo mais do que a escolha do algoritmo.

Aula 3 • Modelos de Classificação Supervisionada

Treine classificadores de regressão logística, random forest e gradient boosting para prever a direção do preço. As saídas de classificação mapeiam-se diretamente para a geração de sinais comprado/vendido.

Aula 4 • Aprendizado Não Supervisionado para Regimes de Mercado

Aplique k-means e Gaussian Mixture Models para agrupar estados de mercado e adaptar estratégias. A detecção de regimes permite a troca dinâmica de estratégias com base nas condições de mercado.